Klasifikasi Jenis Aglaonema Berdasarkan Citra Daun Menggunakan Convolutional Neural Network (CNN)

Bilah Samping Artikel

pdf
Diterbitkan: Mei 17, 2022
DOI: https://doi.org/10.26486/jisai.v2i2.57
Kata Kunci:
Aglaonema, Klasifikasi, CNN

Isi Artikel Utama

Yoga Purna Irawan
Indah Susilawati
Universitas Mercu Buana Yogyakarta

Abstrak

Tanaman aglaonema atau yang di Indonesia populer dikenal dengan nama “Sri Rejeki” adalah tanaman hias daun yang sangat digemari oleh banyak orang. Tanaman ini memiliki keunikan yang terletak pada daunnya yang memiliki bentuk, warna dan corak yang indah dan beraneka ragam. Identifikasi tanaman aglaonema ini dapat dilakukan dengan berbagai macam cara, salah satunya dengan teknik pengolahan citra dimana proses didalamnya dilakukan ekstraksi ciri maupun dengan proses klasifikasi. Salah satu metode / algoritma yang dapat dilakukan untuk melakukan klasifikasi citra aglaonema ini adalah Convolutional Neural Network (CNN). CNN merupakan salah satu algoritma dari Deep Learning dan merupakan pengembangan dari Multi Layer Perceptron (MLP). Penelitian ini menggunakan citra 5 jenis daun aglaonema, dengan jumlah citra masing-masing tiap jenisnya adalah 100 citra. Model CNN yang dipakai dalam penelitian ini adalah model Alexnet. Berdasarkan 4 percobaan menggunakan optimizer serta konfigurasi nilai epoch yang berbeda-beda, diperoleh nilai akurasi validasi training tertinggi yakni sebesar 98,00 %. Sistem yang dibangun juga dapat mengklasifikasikan citra aglaonema dengan baik, dengan tingkat keberhasilan akurasi sebesar 96% dari 50 citra yang diuji.

Rincian Artikel

Terbitan
Vol 2 No 2 (2022): Journal of Information System and Artificial Intelligence Vol II, No II Mei 2022
Bagian
Articles

Referensi

[1] S. Roza, “Efisiensi Faktor Produksi Sri Rejeki (Aglaonema commutatum) di Kota Pekanbaru.” Universitas Islam Negeri Sultan Syarif Kasim Riau, 2011.
[2] A. Gusadha, “Identifikasi Jenis Tanaman Aglonema Menggunakan Probalistik Neural Network,” 2011.
[3] I. Putra, “Klasifikasi citra menggunakan convolutional neural network (CNN) pada caltech 101.” Institut Teknologi Sepuluh Nopember, 2016.
[4] L. Deng and D. Yu, “Deep learning: methods and applications,” Found. trends signal Process., vol. 7, no. 3–4, pp. 197–387, 2014.
[5] F. Hu, G.-S. Xia, J. Hu, and L. Zhang, “Transferring deep convolutional neural networks for the scene classification of high-resolution remote sensing imagery,” Remote Sens., vol. 7, no. 11, pp. 14680–14707, 2015.
[6] E. Maggiori, Y. Tarabalka, G. Charpiat, and P. Alliez, “Convolutional neural networks for large-scale remote-sensing image classification,” IEEE Trans. Geosci. Remote Sens., vol. 55, no. 2, pp. 645–657, 2016.
[7] S. Ilahiyah and A. Nilogiri, “Implementasi Deep Learning Pada Identifikasi Jenis Tumbuhan Berdasarkan Citra Daun Menggunakan Convolutional Neural Network,” JUSTINDO (Jurnal Sist. Dan Teknol. Inf. Indones., vol. 3, no. 2, pp. 49–56, 2018.
[8] A. Peryanto, A. Yudhana, and R. Umar, “Rancang Bangun Klasifikasi Citra dengan Teknologi Deep Learning Berbasing Metode Convolutional Neural Network,” J. Ilm. Tek. Inform., vol. 8, no. 2, pp. 138–147, 2019.
[9] A. Peryanto, A. Yudhana, and R. Umar, “Klasifikasi Citra Menggunakan Convolutional Neural Network dan K Fold Cross Validation,” J. Appl. Informatics Comput., vol. 4, no. 1, pp. 45–51, 2020.
[10] F. F. Maulana and N. Rochmawati, “Klasifikasi Citra Buah Menggunakan Convolutional Neural Network,” J. Informatics Comput. Sci., vol. 1, no. 02, 2019.